Künstliche Intelligenz

Transkript

1 HOCHSCHULE RHEIN-MAIN Künstliche Intelligenz Das Konzept künstlicher Agenten Martin Günster

2 1. Einleitung und Geschichte 2 2. Was ist künstliche Intelligenz? Wann ist etwas intelligent? Rationalität und Agenten 5 3. Intelligente Agenten Agenten und ihre Umgebung Gutes Verhalten und Rationalität Leistungsbewertung Rationalität Allwissenheit, Lernen und Autonomie Die Umgebung des Agenten Spezifizieren der Arbeitsumgebung Eigenschaften der Arbeitsumgebung Die Struktur von Agenten Agentenprogramme Einfache Reflex-Agenten Modellbasierte Reflex-Agenten Zielbasierte Agenten Nutzenbasierte Agenten 18 1

3 1. Einleitung und Geschichte Das Kreieren von künstlichen Wesen ist ein alter Traum der Menschheit. Die Literatur ist reich an Mythen und Erzählungen, in denen künstliche Wesen mit einem menschenähnlichen Geist erschaffen werden. Mary Shelleys Frankenstein oder Der moderne Prometheus von 1818 ist sicherlich eines der bekanntesten Werke. Der Roman erzählt von Viktor Frankenstein, der an der Universität Ingolstadt einen künstlichen Menschen erschafft. Künstliche Wesen sind jedoch schon lange nicht nur Phantasie. Der französische Erfinder Jacques de Vaucanson erschuf bereits 1738 eine künstliche Ente mit verblüffenden Eigenschaften. Sie bestand aus 400 beweglichen Einzelteilen und konnte mit den Flügeln schlagen, schnattern, Körner picken und Wasser trinken. Jedoch kann man einer Maschine, wie Vaucansons Ente weder Geist noch Intelligenz zu sprechen. Die Erforschung des menschlichen Geistes war damals wie heute Disziplin der Philosophen. So formulierte bereits Aristoteles eine Menge von Gesetzen, die die rationale Komponente des Verstandes definiert. Die von ihm erdachte formale Logik ermöglicht automatisiertes Schlussfolgern. Mit diesen Überlegungen und den im 16. Jahrhundert aufkommenden Rechenmaschinen, konnte man nun theoretisch logisch schlussfolgernde Maschinen bauen. Jedoch erfordert ein künstlicher Geist mehr als das Kreieren rationalen Denkens. Es gibt Verhaltensweisen bei Tieren und Menschen, die nicht auf Schlussfolgerungen beruhen. Wenn wir uns beispielsweise an einem Herd verbrennen, schlussfolgern wir nicht erst, dass es besser sei die Hand von der Platte zu nehmen. Wir reagieren reflexartig. Doch auch wenn es gelänge die Reflexe nach zu bilden, bleibt die Frage über die Kontrolle des Geistes offen. Glaubt man gar Anhängern des Dualismus, so liegt ein Teil des Verstandes außerhalb der Natur und folgt so nicht den Gesetzen der Physik. Wenn dem so ist, ist es natürlich unmöglich einen künstlichen Geist zu bauen. Mit dem Materialismus, der den Geist der Physik unterschlägt, gibt es jedoch eine weitere Anschauung. Die Materialisten halten das Gehirn für eine Art Maschine, die aus Chemie und Energie einen Geist erzeugt. Glaubt man ihnen, so ist es denkbar, dass diese Maschine austauschbar ist. Dieser Gedanke rettet den Traum vom künstlichen Geist. Die Erfüllung dieses Traumes wurde erstmals 1956 ernsthaft in Angriff genommen. In diesem Jahre trafen sich zahlreiche Wissenschaftler, die sich für Automatentheorie, neuronale Netze und die Erforschung von künstlicher Intelligenz interessierten. In Dartmouth nahmen die Forscher an einem zwei monatigen Workshop teil, der als Dartmouth Conferences in die Geschichte ein ging. Der Workshop brachte zwar keinen technischen Durchbruch, aber hier wurde der Begriff artificial intelligence geprägt. Unter diesem Namen begannen die anwesenden Forscher eine Wissenschaft zu organisieren, die sich mit der Erforschung von künstlicher Intelligenz befasst. 2

4 2. Was ist künstliche Intelligenz? Künstliche Intelligenz ist eine Wissenschaft, die sich nicht nur mit der Beobachtung von intelligenten Wesen begnügt, sondern sich zur Aufgabe gemacht hat solche zu erschaffen. Die künstliche Intelligenz ist eine sehr junge Wissenschaft, deren Name sich erst 1956 prägte. Erste Forschungen begannen unmittelbar nach dem zweiten Weltkrieg. Heute beinhaltet die künstliche Intelligenz eine große Menge an Teildisziplinen. Darunter sind allgemeine Bereiche wie beispielsweise künstliches Lernen und Sehen oder auch spezielle Aufgaben wie Schachspielen, das Beweisen von mathematischen Theoremen oder das Verstehen der menschlichen Sprache. KI systematisiert und automatisiert intellektuelle Aufgaben. Deswegen ist sie an allen Gebieten des Menschlichen Intellekts interessiert. In dieser Hinsicht handelt es um ein wirklich universelles Gebiet. Da sich die Lehrbücher darüber streiten, was genau künstliche Intelligenz ausmacht, fällt eine Definition schwer. Es ist jedoch zu erkenne, dass sich zwei Ansätze aufgetan haben. Der erste Ansatz künstliche Intelligenz zu definieren, besteht darin natürliche Intelligenz nachzubilden. Dieser empirische Ansatz die künstliche Intelligenz zu erforschen, arbeitet mit Hypothesen und experimenteller Beweisführung. Der zweite Ansatz besteht darin die künstliche Intelligenz aus dem Standpunkt der Rationalität zu beleuchten. Hier dient eine nüchterne Kombination aus Mathematik und Ingenieurswissenschaften als Werkzeug. Immer wieder kommt es zwischen den Anhängern der beiden Ansätze zu Spannungen. Dennoch befruchten sie sich beide gegenseitig und werden wohl auch in Zukunft in Koexistenz vorangetrieben. 3

5 2.1. Wann ist etwas intelligent? Um diese Frage zu klären wurde 1950 von Alan Turing der nach ihm benannte Turing-Test entwickelt. Mit ihm wollte Alan Turing eine zufriedenstellende Definition für künstliche Intelligenz erlangen. Dazu wählte er einen neuen Ansatz. Anstatt eine kontroverse Liste aller Qualifikationen, die Intelligenz ausmachen zu definieren, verglich er die künstliche mit der natürlichen Intelligenz. Er erdachte einen Test, in dem eine künstliche intelligente Einheit und eine natürliche intelligente Einheit gegeneinander antreten. Ist die künstliche Einheit der natürlichen ebenwürdig, so muss auch ihre Intelligenz von gleicher Qualität sein. Da der Mensch ohne Zweifel eine solche intelligente Einheit ist, müssen sich die künstlichen Intelligenzen an ihm messen. Um den Test zu bestehen, muss die künstliche Intelligenz einem Menschen Fragen beantworten. Ist nach einer Reihe von Fragen nicht zu erkennen, ob ein Mensch oder eine Maschine antwortet, ist der Test bestanden und der Maschine wird eine künstliche Intelligenz zugesprochen. Die Fragen werden schriftlich gestellt, da eine physische Interaktion für eine Intelligenz keine Voraussetzung ist. Ob der Test ausreichend ist, um Intelligenz zu spezifizieren, ist fraglich. Einer Maschine, die in kurzer Zeit die Antwort auf eine komplizierte mathematische Berechnung gibt, würden wir keine Intelligenz zuschreiben, obwohl sie diese Aufgabe viel schneller erfüllt als ein Mensch. Dennoch umfasst das Erstellen einer Maschine, die diesen Test meistert, viele Teildisziplinen der künstlichen Intelligenz: Verarbeitung der natürlichen Sprache, was der Maschine erlaubt, die gestellten Fragen zu verstehen und zu beantworten Wissensrepräsentation, um Fragen und eigenes Wissen zu speichern Automatisches logisches Schließen, damit gespeicherte Informationen genutzt werden können, um daraus neue Schlüsse zu ziehen Maschinelles Lernen, um sich neuen Umständen anzupassen Als Erweiterung erdachte Turing den totalen Touring-Test. Er schließt physische Interaktion mit ein. Zur Kommunikation wird nun ein Videosignal verwendet und es gibt die Möglichkeit für den Fragesteller, Objekte weiter zu reichen. Um diesen erweiterten Test zu bestehen, benötigt die Maschine zwei weitere Eigenschaften: Computervision, auch bekannt als künstliches Sehen Robotik, um Objekte zu bewegen und zu manipulieren Alan Turing gebührt großes Lob für den Entwurf dieses Tests, denn er ist auch heute nach sechzig Jahren noch relevant. Jedoch versuchen heutige KI-Forscher häufiger den grundlegenden Prinzipien der Intelligenz auf die Schliche zu kommen, anstatt intelligente Wesen nach zu ahmen. Auch die Kunst des Fliegens erlernte der Mensch auf diese Weise. Nicht das Nachahmen von Vögeln, sondern das Studieren der Aerodynamik führte letztlich zum Erfolg. 4

6 2.2. Rationalität und Agenten Wenn wir künstliche Intelligenz definieren, in dem wir sie mit der des Menschen vergleichen, müssen wir zunächst untersuchen, wie der Mensch denkt. Wir müssen die Arbeitsweise des menschlichen Gehirns verstehen. Bereits Aristotelis, der griechische Philosoph untersuchte rationales Denken. Er erdachte ein System für logisches Schließen, den Syllogismus. Eine korrekte Prämisse vorausgesetzt, ist mittels des Syllogismus stets ein korrektes Schließen möglich. Das berühmteste Beispiel dafür ist: Alle Menschen sind sterblich und Sokrates ist ein Mensch daraus folgt Sokrates ist sterblich. Die beiden erstgenannten Aussagen sind dabei die (korrekten) Prämissen, die letztgenannte Aussage ist die Schlussfolgerung (Konklusion). Im 19. Jahrhundert wurde eine exakte Notation für Aussagen zu aller Art von Dingen in der Welt und Beziehung zueinander entwickelt. Auf dieser Basis entstanden dann ab 1965 Programme die theoretisch jedes lösbare Problem lösen konnten, vorausgesetzt es war in einer entsprechenden logischen Notation formuliert. Die logizistische Tradition innerhalb der künstlichen Intelligenz nutzt genau diesen Ansatz, um Systeme mit rationaler Intelligenz zu erstellen. Dabei sind in der Praxis zwei große Hindernisse zu bewältigen. Zunächst muss informelles Wissen so dargestellt werden, wie es die logische Notation erfordert. Gerade bei unsicherem Wissen bedeutet dies eine große Hürde. Ist diese jedoch genommen, kann prinzipiell jedes Problem gelöst werden. Praktisch ist das jedoch nicht immer der Fall. Häufig ist der Aufwand ein Problem zu lösen so gigantisch, dass es selbst mit den schnellsten Computern zu lange dauern würde, um ein Ergebnis zu finden, so dass aus der theoretischen Lösbarkeit kein praktischer Nutzen entsteht. 3. Intelligente Agenten Der Begriff Agent stammt vom lateinischen agare, was tun, machen oder handeln bedeutet. Ein Agent ist etwas, was im Auftrag eines Anderen handelt. Ein Software-Agent, auch als Softbot bezeichnet, ist ein Computerprogramm, das zu einem gewissen eigenständigen Verhalten fähig ist. Von ihm erwartet man noch weitere Eigenschaften, wie beispielsweise eine selbständige Steuerung, die Wahrnehmung seiner Umgebung, Persistenz über einen längeren Zeitraum, Anpassung an Veränderungen und die Möglichkeit, die Ziele eines anderen zu verfolgen. Ein rationaler Agent, ist ein Agent, der das beste zu erwartende Ergebnis erzielt. Man spricht von einem zu erwartenden Ergebnis, da ein Agent in einer unsicheren Umgebung die Wirkung beziehungsweise das Ergebnis seines Handelns nicht vorhersagen kann. Das Model der Rationalität kann auf eine Vielzahl von Agenten angewendet werden, die in verschiedensten Umgebungen eingesetzt werden. Ob sich ein Agent rational verhält, ist von seiner Umgebung abhängig. Diese kann sehr unterschiedlich und verschieden komplex sein. Deshalb werden zunächst die Umgebung der Agenten und die Beziehung zwischen Agent und Umwelt analysiert. Die Art der Umgebung wird untersucht und kategorisiert. Die Kategorie und die daraus abzuleitenden Eigenschaften sind entscheidend für den Entwurf des Agenten. Eine komplexere Umgebung verlangt nach intelligenteren Agenten. Es werden aufeinander aufbauende Konzepte entwickelt, die den verschiedenen Kategorien der Umgebung entsprechen. 5

7 3.1. Agenten und ihre Umgebung Ein Agent kann seine Umgebung durch Sensoren wahrnehmen und mittels Aktuatoren darin handeln. Dieses Konzept lässt sich auf alle Arten von Agenten anwenden. Ein menschlicher Agent hat Augen, Ohren, eine Nase und weitere Sinnesorgane als Sensoren. Hände, Mund, Füße und andere Körperteile dienen ihm als Aktuatoren. Ein Roboter-Agent bedient sich beispielsweise einer Kamera als Sensor und verwendet meist Elektromotoren als Aktuatoren. Software-Agenten nutzen Tastatureingaben, Dateiinhalte oder Netzwerkströme als Sensordaten. In ihrer Umgebung agieren sie mittels Bildschirmausgaben, Datenmanipulation oder über Netzwerk. All diese Agententypen können ihre Aktionen wahrnehmen, aber nicht immer deren Wirkung. Abbildung 1: Der Agent in seiner Umgebung Der Begriff Wahrnehmung beschreibt alle über die Sensoren aufgenommen Informationen eines Agenten. Die Wahrnehmungsfolge hingegen enthält den vollständigen, chronologischen Verlauf aller Wahrnehmungen. Wie ein Agent in einer bestimmten Situation reagiert, kann im Allgemeinen von der gesamten, bisher bekannten Wahrnehmungsfolge abhängig sein. Die einfachste Art einen Agent zu definieren, besteht darin für jede mögliche Wahrnehmungsfolge eine entsprechende Aktion festzulegen. Mathematisch ausgedrückt beschreibt eine Funktion, die von Wahrnehmungsfolgen auf Aktionen abbildet, das Verhalten eines Agenten. Diese Funktion wird Agentenfunktion genannt. Agentenfunktion( Wahrnehmungsfolge) Aktion Diese Agentenfunktion kann im einfachsten Fall durch eine Tabelle beschrieben werden. Für die meisten Agenten würde diese Tabelle jedoch sehr umfangreich werden. Für zeitlich unbegrenzt agierende Agenten, wird diese Tabelle sogar unendlich lang. Grundsätzlich kann man jedoch eine solche Tabelle erstellen, indem man alle Wahrnehmungsfolgen ausprobiert und aufzeichnet mit welcher Aktion der Agent reagiert. Diese Tabelle ist demnach nur eine externe Beschreibung. Intern wird das Verhalten des Agenten durch das Agentenprogramm implementiert. Agentenfunktion und Agentenprogramm sind zu unterscheiden. Ersteres ist eine abstrakte mathematische Funktion, während letzteres eine konkrete Implementierung ist. 6

8 Abbildung 2: Eine Staubsaugerwelt mit zwei Positionen Dieses Konzept soll in einem einfachen Beispiel erläutert werden. Die Staubsaugerwelt, die die Abbildung 2 zeigt ist so simpel, dass wir alles beschreiben können, was in ihr passiert. Es handelt sich dabei um eine künstliche Welt, die nur zwei Positionen Quadrat A und Quadrat B kennt. Der Staubsaugeragent erkennt, wo er sich befindet und ob es dort schmutzig ist oder nicht. Ebenfalls kann er nur eine sehr begrenzte Anzahl von Aktionen ausführen. Er kann nach links oder rechts gehen, saugen oder nichts tun. Eine sehr einfache Agentenfunktion ist die folgende: Wenn es im aktuellen Quadrat schmutzig ist, soll gesaugt werden, anderenfalls ist in das andere Quadrat zu wechseln. Die Tabelle zeigt diese Funktion. Wahrnehmungsfolge [A, Sauber] [A, Schmutzig] [B, Sauber] [B, Schmutzig] [A, Sauber], [A, Sauber] [A, Sauber], [A, Schmutzig] [A, Sauber], [A, Sauber], [A, Sauber] [A, Sauber], [A, Sauber], [A, Schmutzig] Aktion Rechts Saugen Links Saugen Rechts Saugen Rechts Saugen Die Tabelle beschreibt wie sich der Agent verhält. Will man einen anderen Agenten definieren, gelingt dies indem man die Aktionen in den Spalten verändert. Als nächstes stellt sich die Frage, wie diese Spalten richtig ausgefüllt werden. Was macht einen Agenten gut oder schlecht? Was ist intelligent, was nicht? Diese Frage wird im nächsten Abschnitt beantwortet. 7

9 3.2. Gutes Verhalten und Rationalität Ein rationaler Agent ist ein Agent, der das Richtige tut. Dafür muss jeder Eintrag in der Tabelle der Agentenfunktion korrekt ausgefüllt sein, denn es ist besser das Richtige zu tun. Aber was ist richtig und was ist falsch? Wir gehen davon aus, dass eine Aktion die Richtige ist, wenn sie den Agenten dazu veranlasst, so erfolgreich wie möglich zu sein. Nun bedarf es noch einer Möglichkeit Erfolg zu messen. Mit dem Maß für den Erfolg, den Sensoren, den Aktuatoren und der Umwelt des Agenten haben wir nun alle Parameter zusammen, um die Aufgabe eines Agenten vollständig zu spezifizieren. Mit diesen Informationen können wir nun genauer untersuchen, was einen rationalen Agenten ausmacht Leistungsbewertung Die Leistungsbewertung ist das Kriterium für den Erfolg des Verhaltens eines Agenten. Ein eingesetzter Agent führt entsprechend seiner Wahrnehmungsfolge und seiner Agentenfunktion Aktionen aus. Diese Folge von Aktionen führen zu Veränderungen in der Umwelt des Agenten. Sind diese Veränderungen wünschenswert, hat sich der Agent gut verhalten. Es gibt kein allgemeines Maß dafür was wünschenswert ist. Der Agent selbst kennt auch kein subjektives Maß, denn er handelt im Auftrag eines Anderen. Deshalb wird die Leistungsbewertung dem Agenten typischerweise von seinem Entwickler mitgegeben. Betrachteten wir den Staubsaugeragent, so könnten wir seine Leistung bewerten, in dem wir messen wie viel Schmutz er in einer bestimmten Zeit aufsaugt. Eine solche Bewertung könnte den Agenten jedoch dazu veranlassen, den zuvor aufgesaugten Dreck wieder auszukippen, um ihn erneut aufzusaugen. Dieses Verhalten würde der vorgegebenen Leistungsbewertung entsprechen, obwohl es nicht wirklich das war, was bezweckt werden sollte. Eine bessere Leistungsbewertung wäre, den Agenten dafür zu belohnen, einen sauberen Boden zu hinterlassen. Beispielsweise könnte je ein Punkt für jedes saubere Quadrat pro Zeitabschnitt erteilt werden. Die Leistungsbewertung ist also mit Bedacht zu formulieren Rationalität Ob sich ein Agent rational verhält, hängt zu jedem beliebigen Zeitpunkt von den folgenden vier Eigenschaften ab: Der Leistungsbewertung Dem Vorwissen des Agenten über seine Umgebung Den Aktionen die der Agent ausführen kann Der bisherigen Wahrnehmungsfolge des Agenten Daraus kann die folgende Definition gefolgert werden: Ein rationaler Agent soll für jede mögliche Wahrnehmungsfolge eine Aktion auswählen, von der erwartet werden kann, dass sie seine Leistungsbewertung maximiert, wenn man seine Wahrnehmungsfolge sowie vorhandenes Wissen, über das er verfügt in Betracht zieht. Mit Hilfe dieser Definition lässt sich nun überprüfen, ob sich der Staubsaugeragent aus dem vorangegangen Beispiel rational verhält. Die Agentenfunktion, die der Tabelle der vorherigen Seite zu entnehmen ist besagt, dass der Agent das Quadrat reinigt falls es 8

10 schmutzig ist. Anderenfalls bewegt sich der Agent in das andere Quadrat. Um zu klären, ob sich der Agent rational verhält, müssen die Leistungsbewertung, die Umgebung, die Sensoren und die Aktuatoren genau spezifiziert sein. Wir treffen die folgenden Annahmen: Leistungsbewertung: Der Agent erhält einen Punkt für jedes gesäuberte Quadrat pro Zeitabschnitt und hat eine Lebensdauer von tausend Zeiteinheiten Umgebung: Die Umgebung ist dem Agenten zu jeder Zeit bekannt, nicht aber die Schmutzverteilung und seine Anfangsposition. Gereinigte Quadrate bleiben sauber. Gereinigt werden sie durch Saugen. Die Aktionen Links und Rechts bewegen den Agenten entsprechend. Ist es nicht möglich nach links oder rechts zu gehen, bleibt der Agent wo er ist. Aktuatoren: Der Agent kennt die Aktionen Links, Rechts, Saugen und Nichts tun. Sensoren: Der Agent nimmt seine Position korrekt war und erkennt Schmutz. Unter diesen Annahmen verhält sich der Staubsaugeragent rational; Seine erwartete Leistung ist mindestens so hoch wie die jedes anderen Agenten. Es ist jedoch leicht zu erahnen, dass dies nicht mehr der Fall ist, wenn die Annahmen auch nur geringfügig verändert werden. Der beschriebene Staubsaugeragent wechselt beispielsweise dauernd seine Position, obwohl beide Quadrate bereits gereinigt sind, was sich in der oben beschrieben Leistungsbewertung jedoch nicht negativ auswirkt. Ändern wir diese Leistungsbewertung, so dass der Agent für jede Bewegung (Energieverbrauch) Strafpunkte erhält, verhält sich der Agent nicht mehr rational Allwissenheit, Lernen und Autonomie Allwissenheit und Rationalität sind zu unterscheiden. Ein allwissender Agent kennt die Folgen seines Handelns. Dieses stellt in der Realität eine Unmöglichkeit dar, denn es kann stets zu unvorhersehbaren Ereignissen kommen. Es ist also unmöglich einen allwissenden Agenten zu konstruieren, ohne in die Zukunft zu schauen. Deshalb begrenzt sich die Definition eines rationalen Agenten darauf, dass der Agent die Aktion auswählt, von der anzunehmen ist, dass sie den höchsten Nutzen bringt. Jedoch sollte ein rationaler Agent bemüht sein, die Folgen seines Handelns bestmöglich zu erahnen. Dazu kann es nötig sein, die Umgebung zunächst eine Weile zu beobachten, bevor eine Aktion ausgeführt wird. Ein rationaler Agent muss ebenfalls so viel wie möglich aus seiner Wahrnehmungsfolge lernen. Die anfängliche Konfiguration des Agenten könnte ein gewisses Vorwissen über die Umgebung des Agenten reflektieren. Sobald der Agent anfängt Erfahrungen zu sammeln, können diese zu Veränderung seiner Umwelt führen. Konkret bedeutet dies, dass sich die Einträge in der Tabelle der Agentenfunktion verändern. So könnte der Staubsaugeragent beispielsweise lernen, dass gereinigte Quadrate nicht sauberbleiben, wenn er solches Quadrat befährt und seine Sensoren erneut Schmutz wahrnehmen. Daraufhin sollte er seine Agentenfunktion verändern, um sein Verhalten zu optimieren. Autonomie ist nun Maß für den Umfang, mit dem sich ein Agent auf das Lernen aus seiner Erfahrung stützt. Je mehr ein Agent lernen kann, desto autonomer ist er. Ein rationaler Agent sollte möglichst autonom sein. Er sollte lernen, um unvollständiges Wissen zu vervollständigen und um Fehlverhalten zu korrigieren. In der Praxis handeln 9

11 Agenten selten vollständig autonom. Agenten bekommen in der Regel ein gewisses Vorwissen durch ihre Entwickler mitgegeben, um diese durch gesammelte Erfahrungen zu erweitern oder zu korrigieren. Ähnlich verhält es sich auch bei Lebewesen. Sie werden mit Reflexen geboren, ohne die sie nicht überlebensfähig wären. Darauf aufbauend lernen sie aus Erfahrung und durch Beobachtung Die Umgebung des Agenten Nachdem definiert wurde was einen rationalen Agenten ausmacht, kann nun damit begonnen werden einen solchen zu konstruieren. Zuvor muss jedoch die Arbeitsumgebung des Agenten noch spezifiziert werden. Eine Arbeitsumgebung beschreibt die Probleme, deren Lösung der Agent sein soll. Es werden die Bestandteile einer Arbeitsumgebung mit Hilfe eines Beispiels erläutert und anschließend einige Eigenschaften von Arbeitsumgebungen erörtert. Sie dienen der Kategorisierung und sind maßgebend für das Design des Agentenprogramms Spezifizieren der Arbeitsumgebung Zur Beschreibung eines rationalen Agenten haben wir als Beispiel einen Staubsauger- Agenten gewählt. Um ihn zu spezifizieren haben wir Angaben zur Leitungsbewertung, den Sensoren, den Aktuatoren sowie der Umgebung, in der sich der Agent bewegt, gemacht. Diese vier Komponenten werden unter dem Namen Arbeitsumgebung geführt. Im Englischen dient für die Arbeitsumgebung die Abkürzung PEAS (Performance, Environment, Actuators, Sensors Leistung, Umgebung, Aktuatoren, Sensoren). Wird ein Agent entwickelt, ist immer zuerst die Arbeitsumgebung so genau wie möglich zu spezifizieren. Der Agent in der Staubsauger-Welt war einen ein sehr einfaches Beispiel. Um die Spezifizierung der Arbeitsumgebung zu erläutern, wird ein sehr viel komplexeres Beispiel ein autonomer Taxifahrer - genutzt. Die Tabelle bietet einen ersten Überblick über die Arbeitsumgebung des Agenten. Agententyp Leistungsbewertung Umgebung Aktuatoren Sensoren Taxifahrer Sicher, schnell, der Verkehrsregeln entsprechend, angenehme Fahrweise, maximaler Gewinn Straße, andere Fahrzeuge, Fußgänger, Fahrgäste Steuerrad, Gas, Bremse, Hupe, Blinker, Anzeige Kameras, Sonar, Tachometer, GPS, Kilometerzähler, Motorsensoren, Tastatur Welche Leistungsbewertung soll für einen Taxifahrer gelten? Er soll seine Fahrgäste an das gewünschte Ziel befördern. Dabei soll er möglichst wenig Treibstoff verbrauchen, die Straßenverkehrsordnung beachten, das Taxi nicht beschädigen bzw. den Verschleiß minimal halten. Ebenfalls soll er den Fahrgästen maximalen Komfort bieten, in dem er eine angenehme Fahrweise an den Tag legt und seine Gäste so schnell wie möglich an ihr Ziel bringt. Außerdem soll er natürlich einen möglichst hohen Gewinn erzielen, denn das ist letztlich die Motivation eines jeden Taxifahrers. Schnell wird erkenntlich, dass einige Ziele in Konflikt zueinander stehen. Es müssen Abwägung getroffen werden, um Ziele zu priorisieren. Wie gestaltet sich die Umgebung eines Taxis? Taxifahrer müssen in der Lage sein verschiedenste Straßen zu befahren. Wohnstraßen oder Landstraßen fordern Fahrer und 10

12 Fahrzeug anders als beispielsweise Autobahnen. Straßen weisen andere Verkehrsteilnehmer, Fußgänger, Tiere, Baustellen, Polizei, Krankenwagen, Pfützen und Schlaglöcher auf. All das gilt es zu beachten. Taxifahrer müssen mit potenziellen und tatsächlichen Fahrgästen kommunizieren. Die Witterung kann sich verändern, worauf der Fahrer entsprechend reagieren muss. Je komplexer die Umgebung eines Agenten, desto umfangreicher wird sein Entwurf. Die Aktuatoren gleichen denen eines herkömmlichen Taxifahrers. Die Steuerung erfolgt über Gas, Bremse und Lenkrad. Zusätzlich ist ein Monitor oder eine Sprachausgabe von Nöten, um mit den Fahrgästen zu kommunizieren. Ebenfalls wünschenswert wäre eine Möglichkeit mit anderen Verkehrsteilnehmern, anderen Taxen oder der Taxizentrale zu kommunizieren. Um seine Fahrgäste an ihr Ziel zu bringen, muss der Taxifahrer wissen, wo er sich befindet und wo das Ziel liegt. Er muss den Verkehr um sich herum beobachten und seine eigene Geschwindigkeit kennen. Um diese Informationen zu bekommen, ist eine Vielzahl von Sensoren von Nöten. Neben Kameras, Tachometer und Kilometerzähler ist vor allem für Kurvenfahrten auch ein Beschleunigungssensor wichtig. Um den Zustand des Fahrzeugs zu überprüfen, bedarf es Sensoren für die Motortechnik. Außerdem benötigt ein solcher Agent Sensoren die man nicht in gewöhnlichen Taxen findet, wie ein GPS, ein Sonar oder Infrarotsensoren zu Abstandsmessung. Es wird eine elektronische Landkarte zur Routenplanung benötigt sowie eine Möglichkeit für die Fahrgäste ein Fahrziel anzugeben. Dies könnte mittels Kamera und Mikrophon oder mit einer gewöhnlichen Tastatur geschehen Eigenschaften der Arbeitsumgebung Die Art der Arbeitsumgebung, in der ein Agent seine Arbeit verrichtet, kann also sehr verschieden sein. Jedoch kann man sie durch eine relative geringe Anzahl von Dimensionen spezifizieren und kategorisieren. Aus diesen Dimensionen lässt sich das geeignete Design für einen Agenten ableiten. Im Folgenden werden nun die einzelnen Dimensionen erläutert. vollständig beobachtbar / teilweise beobachtbar Eine Arbeitsumgebung gilt als vollständig beobachtbar, wenn die Sensoren dem Agenten zu jedem Zeitpunkt Zugriff auf den Zustand der gesamten Umgebung gewähren. In einer vollständig beobachtbaren Arbeitsumgebung liefern die Sensoren alle Aspekte, die für die Auswahl einer Aktion relevant sind. Welche Aspekte relevant sind, hängt immer von der Leistungsbewertung ab. Vollständig beobachtbare Arbeitsumgebungen sind sehr praktisch, weil sich der Agent keine Informationen zu seiner Umgebung merken muss, denn er kann sie jederzeit betrachten. Teilweise beobachtbare Umgebungen verlangen dem Agenten mehr ab. Wenn der Agent seine Umgebung nicht zu jedem Zeitpunkt erfassen kann, sei es durch fehlerhafte Sensordaten oder schlicht durch ein begrenztes Sichtfeld, ist es sinnvoll, ihn mit einem inneren Zustand zu versehen. In diesem inneren Zustand können Information über den nicht beobachtbaren Teil der Umwelt gehalten werden. Sie dienen der Kompensierung der fehlenden Sensordaten, und ermöglichen dem Agenten das nicht sichtbare zu erahnen. 11

13 deterministisch / stochastisch Ist der zukünftige Zustand einer Arbeitsumgebung ausschließlich aus der aktuellen Arbeitsumgebung und der ausgeführten Aktion des Agenten abhängig, gilt sie als deterministisch. Ist sie jedoch von weiteren Parametern beeinflusst, spricht man von einer stochastischen Arbeitsumgebung. In einer deterministischen, vollständig beobachtbaren Arbeitsumgebung kennt der Agent keine Unsicherheiten. Er ist sich nicht nur seiner Aktion, sondern auch deren Wirkung bewusst. Ist eine Umgebung nur teilweise beobachtbar, wird sie häufig auch als stochastisch betrachtet. Insbesondere für eine komplexe Umgebung, in der es nicht möglich ist, alle nicht beobachtbaren Informationen in einem inneren Zustand zu verwalten, ist eine stochastische Betrachtung sinnvoll. Die Staubsaugerwelt aus dem einführenden Beispiel ist deterministisch. Die Umwelt des Taxifahreragenten hingegen ist als stochastisch einzustufen. episodisch /sequenziell Arbeitsumgebungen in denen die Erfahrung eines Agenten in Episoden unterteilbar ist, gelten als episodisch. Eine Episode besteht aus der Wahrnehmung und der entsprechenden Aktion eines Agenten. Verhält sich eine Arbeitsumgebung episodisch, sind folgende Episoden nicht von Aktionen der aktuellen Episode abhängig. Agenten in einer solchen Umgebung können sich bei der Auswahl einer Aktion auf die Wahrnehmungsfolge der aktuellen Episode begrenzen. Beispielsweise kann ein Agent der Fehlproduktionen aussortiert, seine Umwelt als episodisch begreifen. Die Entscheidung ein Werkstück auszusortieren hat keinen Einfluss auf seine Entscheidung bezüglich des nächsten Werkstücks. Anders verhält es sich bei schachspielenden Agenten. Sie agieren in einer sequenziellen Arbeitsumgebung. Wenn sie sich für einen Zug entscheiden, ist die Umgebung stets abhängig von ihrem bisherigen Spielverhalten. Agenten in einer sequenziellen Umgebung sind komplexer, denn sie müssen die Wirkung ihres Handels vorausplanen, um sich rational zu verhalten. statisch / dynamisch Verändert sich eine Umgebung während ein Agent eine Aktion wählt, spricht man von einer dynamischen anderenfalls statischen Umgebung. Dynamische Umgebungen sind dabei schwerer zu handhaben. Im Gegensatz zu statischen Umgebungen liegen hier bereits neue Sensordaten an, bevor der Agent die nächste Aktion ausgewählt hat. Hat er noch nicht entschieden, ist dies gleichbedeuten mit nichts tun. Er zeigt also keine Reaktion auf die eingehenden Informationen. Verhält sich die Umgebung statisch, aber die Leistungsbewertung des Agenten ändert sich während er die nächste Aktion wählt, sprechen wir von einer semidynamischen Umgebung. Die Umgebung des taxifahrenden Agenten ist dynamisch, denn die anderen Verkehrsteilnehmer stehen nicht still, während er entscheidet, was als nächstes zu tun ist. diskret / stetig Der Unterschied zwischen diskreten und stetigen Umgebungen besteht in der Wahrnehmung der Zeit. In diskreten Umgebungen ist die Zeit in abzählbare Zeitpunkte unterteilt. Zu jedem Zeitpunkt hat die Umgebung einen festen Zustand. Anders verhält es sich hingegen in stetigen Umgebungen wie die des taxifahrenden Agenten. 12

14 Geschwindigkeit und Position des Taxis und anderer Fahrzeuge verändern sich stetig ohne sprunghafte Veränderungen über die Zeit. Einzelagent / Multiagent Ob es sich um einen Einzelagent oder um einen Multiagenten handelt, scheint zunächst eine einfache Frage zu sein. Einzelagenten sind alleine in ihrer Umgebung; Multiagenten sind es nicht. Der Staubsaugeragent ist ohne Zweifel ein Einzelagent. Der taxifahrende Agent ist auf den ersten Blick ein Multiagent, den es gibt weitere Taxis die von Agenten gefahren werden. Aber nur der Agent, der die anderen Agenten als solche betrachtet handelt in einer Multiagentenumgebung. Betrachtet er die anderen Taxen, wie beispielsweise das Wetter als reine stochastische Elemente handelt es um eine Einzelagentenumgebung. Ist die Leistungsbewertung der anderen Agenten von dem betrachteten Agenten abhängig, sollte er die anderen Agenten als solche betrachten. So ist es zum Beispiel beim Schachspiel. Maximiert der Spieler sein Leistung in dem er zum Beispiel eine Figur schmeißt, minimiert er die Leistung des Gegenspielers. Die Spieler agieren in einer konkurrierenden Multiagentenumgebung. Es gibt auch kooperierende Multiagentenumgebungen. Wenn zum Beispiel Ameisen sich gegenseitig helfen, Futter zu transportieren, erhöhen alle beteiligten ihren Nutzen. In kooperativen Multiagentenumgebungen, die nur teilweise beobachtbar sind, ist die Kommunikation der Agenten meist hilfreich, um die Leistungsbewertung der einzelnen zu erhöhen. Agenten können sich gegenseitig berichten, was sie von der Umwelt wahrnehmen. Dies vergrößert den sichtbaren Bereich des einzelnen Agenten. Er kann die zusätzlichen Informationen in seine Entscheidung für die nächste Aktion mit einbeziehen und so seine Leistungsbewertung maximieren. Die schwierigste Umgebung stellt eine teilweise beobachtbare, sequenzielle, dynamische und stetige Multiagentenumgebung dar. Außerdem ist zu bemerken, dass die meisten realen Situationen, wie auch das Taxibeispiel so komplex sind, dass es eine rein akademische Frage ist, ob sie deterministisch sind. In der Praxis werden sie meist als stochastisch betrachtet Die Struktur von Agenten Bisher haben wir das Verhalten eines Agenten, dass aus seiner Wahrnehmungsfolge resultiert, betrachtet. Nun wollen wir untersuchen, wie ein Agent intern arbeitet. Aufgabe der künstlichen Intelligenz ist es ein Agentenprogramm zu entwickeln. Dieses muss der Agentenfunktion entsprechend von Wahrnehmungsfolgen auf Aktionen abbilden. Es kann zum Beispiel auf einem Computer mit physischen Sensoren und Aktuatoren ausgeführt werden. Die Einheit, die das Agentenprogramm ausführt, nennt man Architektur. Ein Agent besteht also aus der Architektur und dem Agentenprogramm. Agent = Architektur + Agentenprogramm Beim Erstellen eines Agentenprogramms ist zu beachten, dass es kompatibel zu der verwendeten Architektur ist. Ein Agentenprogramm, dass die Aktion gehen wählt, sollte auch auf Aktuatoren zu greifen können. Die Architektur ist dafür verantwortlich, die Wahrnehmung der Sensoren entgegenzunehmen, diese dem Agentenprogramm zur Verfügung zu stellen, das Agentenprogramm selbst auszuführen und dessen gewählte Aktionen an die Aktuatoren weiter zu reichen. 13

15 Agentenprogramme Allgemein nehmen Agentenprogramme die aktuelle Wahrnehmung als Eingabe von den Sensoren entgegen und geben eine entsprechende Aktion an die Aktuatoren zurück. Zu beachten ist der Unterschied zwischen dem Agentenprogramm, das sich mit der aktuellen Wahrnehmung begnügen muss und der Agentenfunktion, die stets auf die gesamte Wahrnehmungsfolge zurückgreifen kann. Das Agentenprogramm nutzt nur die aktuelle Wahrnehmung, da in der Umwelt nicht mehr Informationen zur Verfügung stehen. Soll das Agentenprogramm, wie auch die Agentenfunktion in einer Tabelle nachschlagen, um so von Wahrnehmungsfolgen auf Aktionen abzubilden, so muss es sich die Wahrnehmungen merken. Reiht man diese Wahrnehmungen chronologisch aneinander, erhält man die gewünschte Wahrnehmungsfolge. Ein Agent mit einem solchen Agentenprogramm wird auch als table-driven-agent bezeichnet. Will man auf diese Weise ein Agentenprogamm erstellen, benötigt man eine Tabelle, die für jede mögliche Wahrnehmungsfolge auf eine Aktion verweist. In der Praxis scheitert das Model des table-driven-agent am Umfang der Tabelle. Denn diese Tabelle ist schon für einen Agenten mit recht kurzer Lebensdauer enorm groß. Sei P die Menge der möglichen Wahrnehmung und T die Lebensdauer eines Agenten, dann besteht die Tabelle zum Nachschlagen der Aktion aus Einträgen. Es ist zu erkennen, dass die Problemgröße exponentiell wächst. Solche Probleme gelten in der Praxis als nicht berechenbar. Trotzdem implementiert der table-driven-agent die gewünschte Agentenfunktion korrekt. Die Kunst besteht nun darin ein Agentenprogramm, bestehend aus wenigen Zeilen Code statt aus einer riesigen Nachschlagtabelle zu schreiben, das sich genauso rational verhält. Dies ist vergleichbar mit dem Lösen von Quadratwurzeln. Diese wurden früher in großen Tabellen nachgeschlagen. Heute berechnet sie der Taschenrechner mit einem fünfzeiligen Programm, das die Methode von Newton implementiert. Die Aufgabe der KI ist es nun das Selbe für allgemeines intelligentes Verhalten zu tun, was Newton für die Quadratwurzel tat Einfache Reflex-Agenten Reflex-Agenten sind die einfachste Art von Agenten. Agenten dieser Art wählen die auszuführende Aktion nur auf Grundlage der aktuellen Wahrnehmung. Vergangene Wahrnehmungen werden nicht beachtet, was das Erstellen einer Wahrnehmungsfolge erübrigt. Der Staubsaugeragent aus unserem Beispiel ist ein Reflex-Agent. Nur seine aktuelle Position und ob diese Schmutz enthält, beeinflussen seine nächste Entscheidung. If state = Schmutzig then saugen() else if location = A then rechts() else if location = B then links() Zu beachten ist, dass diese Implementierung tatsächlich wesentlich kleiner ist als eine entsprechende Implementierung durch eine Nachschlagetabelle. Die Verkleinerung stammt offensichtich aus der Begrenzung auf die aktuelle Wahrnehmung. Allgemein reduziert dies die Anzahl der Aktionen von auf Auswahlmöglichkeiten. Die Entscheidungsmöglichkeiten des Staubsaugeragenten werden von auf reduziert. Die vier Kombinationen der Wahrnehmungen resultieren aus den zwei Sensoren (Positionssensor, Schmutzsensor), die jeweils zwei Zustände kennen. Eine zusätzliche 14

16 Reduzierung gelingt, weil die Aktion nicht von der Position abhängt, wenn das aktuelle Quadrat schmutzig ist. Der Agent beginnt stets zu saugen, wenn er Schmutz vorfindet. If auto_vor_uns_bremst then bremsen() Ein weiteres Beispiel für die reflexartige Reaktion auf die aktuelle Wahrnehmung, ist ein Taxifahrer der die rot aufleuchtenden Bremslichter des vorrausfahrenden Fahrzeugs wahrnimmt. In einer solchen Situation soll er, ohne abzuwägen, sofort mit dem Bremsen beginnen. Die visuelle Wahrnehmung der aufleuchtenden Bremslichter dient dabei als Bedingung und wird direkt mit der Aktion bremsen verknüpft. Man bezeichnet eine solche direkte Art von Verknüpfung als auch als Bedingung/Aktion-Regel. Auch der Mensch verfügt über eine Vielzahl solcher Verknüpfungen. Dabei handelt es um Reflexe oder um antrainiertes Verhalten. Das Agentenprogramm ist eine spezifische Implementierung, die in der beispielhaften Staubsaugerwelt gute Dienste leistet. Eine kleine Veränderung an der Umwelt, ist jedoch ausreichend, um die Korrektheit dieses Agenten zu gefährden. Ein flexibler Ansatz wäre wünschenswert. Mit einem allgemeinen Interpreter für Bedingung/Aktion-Regeln, der eine separat spezifizierte Regelmenge verarbeitet, ist diese Flexibilität zu erreichen. Verändert sich nun die Umgebung des Agenten, ist nur die Regelmenge anzupassen. Abbildung 3 zeigt die schematische Struktur eines solchen Agentenprogramms. Es ist zu erkennen, wie die Bedingung/Aktion-Regel dem Agenten erlauben, die Verbindung von Wahrnehmung und Aktion vorzunehmen. Die Rechtecke kennzeichnen interne Zustände innerhalb des Entscheidungsprozesses. Die für die Entscheidung benötigten Hintergrundinformationen sind durch Ovale dargestellt. Diese und die folgenden Strukturen sind natürlich rein konzeptionell, echte Implementierungen bestehen aus einer Menge von einfachen Logikgattern oder Booleschen Schaltkreisen. Abbildung 3: Schema eines Reflex-Agenten Zusammenfassend ist zu sagen, dass Reflex-Agenten einfach, aber auch wenig intelligent sind. Sie können nur rational agieren, wenn die aktuelle Wahrnehmung ausreichend ist, um die korrekte Aktion auszuwählen. Daraus resultiert, dass mit dem Ansatz des Reflex- Agenten nur in vollständig beobachtbaren Umgebungen ein rationales Verhalten generiert werden kann. Für unseren taxifahrenden Agenten bedeutet dies, dass er die 15

17 Bremslichter der vorausfahrenden Wagen immer sehen muss. Fällt das Videosignal der Kamera aus oder befinden sich die Bremslichter auch nur für kurze Zeit nicht in deren Sichtfeld, scheitert der Reflex-Agent. Die Bedingung Bremslichter des Vorausfahrenden leuchten ist nicht der Aktuellen Wahrnehmung zu entnehmen, weshalb die Aktion Bremsen nicht ausgeführt wird. Der Auffahrunfall, der wahrscheinlich geschieht, ist nicht als rational zu bezeichnen Modellbasierte Reflex-Agenten Um sich in einer nur teilweise beobachtbaren Welt zurechtzufinden, empfiehlt es sich, den nicht beobachtbaren Teil der Welt in einem inneren Zustand des Agenten zu verwalten. Dieser innere Zustand ist vom Wahrnehmungsverlauf abhängig und reflektiert somit einen Teil der nicht beobachtbaren Aspekte. Um das Bremsproblem zu lösen, ist es ausreichend, wenn der innere Zustand aus dem letzen verwendbaren Bild der Kamera besteht, sodass der Agent richtig entscheiden kann, ob er zu bremsen hat oder nicht. Andere Anforderungen werden beispielsweise beim Spurwechsel an den Agenten gestellt. Er muss sich die Position der nicht zusehenden Autos merken. So sind Kollisionen vermeidbar. Für die Aktualisierung des internen Zustands bedarf es zwei Arten von Wissen, die vom Agentenprogramm erzeugt werden müssen. Erstens benötigt der Agent Informationen darüber, wie sich die Welt ohne sein Zutun verändert. Zum Beispiel die Information, dass ein überholendes Auto nun näher ist als noch im letzen Moment. Zweitens benötigt der Agent Informationen darüber, wie sich sein eigenes Handeln auf die Umwelt auswirkt. So sollte der taxifahrende Agent wissen, dass das Drehen des Lenkrades im Uhrzeigersinn den Wagen nach recht beziehungsweise gegen den Uhrzeigersinn den Wagen nach links steuert. Wenn man mit 120km/h fünf Minuten in nördliche Richtung fährt, so befindet man sich nach fünf Minuten zehn Kilometer weiter nördlich. Dem sollte sich der Agent bewusst sein. Dieses Wissen darüber wie die Welt funktioniert, wird als Modell der Welt bezeichnet. Modellbasierende Agenten verfügen über ein solches Wissen. Abbildung 4: Schema eines modellbasierten Reflex-Agenten Die Struktur eines modellbasierten Agenten ist in Abbildung 4 dargestellt. Es ist zu erkennen, dass sowohl die aktuelle Wahrnehmung als auch die Annahmen über die 16

18 Entwicklung der Welt, sei sie durch die eigenen Aktionen beeinflusst oder nicht, herangezogen werden, um ein aktuelles Modell der Welt zu schaffen Zielbasierte Agenten Nicht immer ist das Wissen über den aktuellen Zustand der Welt ausreichend, um zu entscheiden, welche Aktion die korrekte ist. Ein Taxi an einer Kreuzung kann beispielsweise gerade ausfahren oder abbiegen. Das angesteuerte Ziel ist entscheidend dafür wie die Fahrt weiter geht. Anders formuliert, bedarf es neben der Zustandsbeschreibung einer Zielinformation, die den wünschenswerten Zustand der Umgebung beschreibt. Der wünschenswerte Zustand ist in diesem Falle den Fahrgast an das von Ihm angegebene Ziel zu befördern. Diese Zielinformation kann das Agentenprogramm mit der Wirkung der einzelnen Aktionen vergleichen. Führt eine der Aktionen zum Ziel, so ist sie auszuführen. Abbildung 5 zeigt den strukturellen Aufbau eines zielbasierten Agenten. Abbildung 5: Schema eines modellbasierten, zielbasierten Agenten Die Auswahl der Aktion gestaltet sich einfach, wenn der gewünschte Zielzustand mit nur einer Aktion zu erreichen ist. Oft ist der gewünschte Zielzustand jedoch nicht durch das Ausführen von nur einer einzelnen Aktion zu erreichen. Zum Beispiel wird auf den wenigsten Taxifahrten nur eine Kreuzung passiert. Ist das Ziel nicht mit einer Aktion zu erreichen, gilt es eine Aktionsfolge zu finden die zum Ziel führt. Suchen und Planen sind Teildisziplinen der KI und widmen sich dieser Aufgabe. Zu beachten ist, dass sich die Art der Entscheidungsfindung grundsätzlich von den bisher beschriebenen unterscheidet. Da nun auch die Zukunft berücksichtigt wird. Der Entwurf des Reflex-Agenten stellt diese Information nicht explizit da. Sein Regelwerk ist nur von der aktuellen Wahrnehmung beeinflusst. Leuchten die Bremslichter auf, so reagiert ein Reflex-Agent einfach und bremst. Ein zielbasierter Agent hingegen ist quasi in der Lage zu argumentieren. Das Auto, dessen Bremslichter aufleuchten, bremst, wird langsamer. Beachtet der zielbasierte Agent nun wie sich die Welt normalerweise entwickelt, wird er bremsen als geeignete Aktionen wählen. Denn so wird er nicht auffahren und so seine Leistungsbewertung maximieren, was Voraussetzung für rationales Verhalten ist. 17

19 Zielbasierte Agenten scheinen zunächst ineffizienter, jedoch sind sie viel flexibler. Das Verhalten eines solchen Agenten ist einfacher anzupassen. So kann beispielsweise das Fahrtziel des taxifahrenden Agenten schnell geändert werden. Die Regeln des Reflex- Agenten, die bestimmen, wann er abbiegt oder weiterfährt, funktionieren nur für ein Ziel. Ändert sich das Ziel, so bedarf es einer kompletten Überarbeitung des Agentenprogramms Nutzenbasierte Agenten Um ein rationales Verhalten zu erzeugen, reicht es in den vielen Umgebungen nicht aus, sich auf das Modell des zielbasierten Agenten zu beschränken. Für den einen Agenten gibt es beispielsweise viele Möglichkeiten sein Taxi an das Fahrtziel zu navigieren. Einige Routen sind jedoch schneller, sicherer, zuverlässiger oder billiger als andere, obwohl keine von ihnen falsch ist. Zielbasierte Agenten, die nur zwischen wahr und falsch unterscheiden können, sind demnach nicht geeignet, die beste Route zu wählen. Die Leistungsbewertung sollte allgemein den Vergleich verschiedener Zustände erlauben. Der Agent sollte entscheiden können, welche der möglichen Aktionsfolgen ihn am glücklichsten macht. In der Terminologie der Fachwelt spricht man nun nicht von Glück sondern von Nutzen. Man sagt: Ein Zustand der Welt, der einem anderen vorzuziehen ist, weist einen höheren Nutzen für den Agenten auf. Abbildung 6: Schema eines modellbasierten, nutzenbasierten Agent Eine Nutzenfunktion liefert zu einem Zustand den entsprechenden Nutzen. Dafür bildet sie von einem Zustand auf eine reelle Zahl ab, die den Grad des Nutzens beschreibt. Eine Nutzenfunktion ermöglicht nun Entscheidungen in zwei Arten von Fällen, wo Ziele nicht ausreichten. Erstens kann nun zwischen Zielen abgewogen werden, die zueinander in Konflikt stehen, jedoch nicht gleichzeitig erreichbar sind. Bei einer Taxifahrt stehen zum Beispiel Sicherheit und Geschwindigkeit in Konflikt. Zweitens können nun unsichere Ziele, nach der Wahrscheinlichkeit auf Erfolg und ihrem Nutzen abgewogen werden. Besitzt ein Agent eine explizite Nutzenfunktion, ist er in der Lage mittels eines allgemeinen Algorithmus, der nicht von der Nutzenfunktion abhängig ist, eine rationale Entscheidung zu treffen. Die globale Definition der Rationalität (der höchste zu erwartende Nutzen) ist nun in eine Bedingung für den Entwurf eines rationalen Agenten 18

20 umgewandelt worden und kann nun in einem einfachen Programm ausgedrückt werden. Abbildung 6 zeigt die Struktur eines nutzenbasierten Agenten. 19

21 Quellenangaben 1. Künstliche Intelligenz Ein moderner Ansatz Stuart Russell, Peter Norvig 2. Künstliche Intelligenz Strategien zur Lösung komplexer Probleme George F. Lunger 3. Grundkurs Künstliche Intelligenz Eine praxisorientierte Einführung Wolfgang Ertel 20